Summary "Algo Trading Cheat Codes" (Kevin J. Davey) Mean Reversion Strategien

1. Untersuchungsrahmen und Zielsetzung

Davey untersucht in „Algo Trading Cheat Codes“ eine Reihe algorithmischer Komponenten, die systematisch miteinander verknüpft werden: Bar-Size-Studien zur Wahl geeigneter Zeitrahmen, verschiedene Mean-Reversion-Einstiegskonzepte, Exit-Techniken einschließlich Reward/Risk-Analysen sowie risikoreduzierende Schutzmechanismen und Regimefilter. Ziel ist es, nicht einzelne „fertige“ Handelssysteme zu präsentieren, sondern empirisch belastbare Bausteine zur Entwicklung eigener, robuster Strategien zu liefern.​

Die Mean-Reversion-Studie basiert auf zehn unterschiedlichen Mean-Reversion-Konzepten, die über rund 40 Futures-Märkte, mehrere Marktsektoren und verschiedene Bargrößen hinweg getestet wurden. Slippage und Kommissionen werden explizit in den Backtests berücksichtigt, um eine größere Nähe zur realen Handelsumgebung zu erreichen.

Im weiteren Verlauf werden die für Mean-Reversion-Systeme relevanten Bausteine einzeln beschrieben.​

2. Mean-Reversion-Einstiegssysteme für Futures

2.1 Untersuchte Strategietypen

In Kapitel 5 („Mean Reversion Study“) werden zehn Mean-Reversion-Systeme auf Futures-Daten getestet. Unter den untersuchten Konzepten befinden sich unter anderem:​

• Short Term Connors RSI (Strategie 2),

• Bollinger Band Stretch (Strategie 3),

• Moving Average Stretch (Strategie 4),

• N Consecutive Bars Up/Down (Strategie 6),

• Reverse Breakout (Strategie 7),

• sowie weitere Ansätze wie Percent Increase/Decrease und Linear-Regression-basierte Mean-Reversion.​

Die Tests werden über mehrere Märkte und Sektoren (Rates, Aktienindizes, Energies, Ags/Softs) und über unterschiedliche Timeframes durchgeführt.​

2.2 Ergebnisse und Rangfolge der Ansätze

Auf aggregierter Basis (Nettoergebnis, Anzahl profitabler Fälle, durchschnittlicher Nettogewinn) ergibt sich ein relativ klares Bild: Die Strategien 2 (Short Term Connors RSI), 3 (Bollinger Band Stretch), 4 (Moving Average Stretch), 6 (N Consecutive Bars Up/Down) und 7 (Reverse Breakout) zeigen die höchste Robustheit und die besten Kennzahlen. Insbesondere die Moving-Average-Stretch-Strategie (Nr. 4) sticht als „klarer Sieger“ hervor, sowohl hinsichtlich durchschnittlicher Performance als auch Anzahl der profitablen Konfigurationen.​

Demgegenüber erweisen sich der Linear-Regression-Ansatz (Strategie 9) sowie der Percent-Increase/Decrease-Ansatz als signifikant schwächer; sie rangieren in praktisch allen Auswertungsdimensionen am unteren Ende. Der Autor empfiehlt ausdrücklich, den Moving-Average-Stretch-Ansatz als primären Ausgangspunkt weiterer Mean-Reversion-Entwicklung zu betrachten und auf den Linear-Regression-Ansatz eher zu verzichten.​

3. Entry-Strategien auf Basis von Preismustern und deren Kombination

3.1 Einzelstrategien

Die genannten Mean-Reversion-Systeme sind sämtlich preisbasierte Muster, die typischerweise auf Überdehnungen relativ zu einem Referenzniveau (z. B. gleitender Durchschnitt oder Bollinger-Band), auf extremen Oszillatorwerten (Connors RSI, RSI2) oder auf sequentiellen Bewegungsmustern (N Bars Up/Down) beruhen. Die Auswertung zeigt, dass kein einzelnes Muster in allen Märkten und Bargrößen überzeugt, einige Muster jedoch deutlich konsistenter sind als andere – insbesondere Moving Average Stretch, Bollinger Band Stretch, Connors RSI und Reverse Breakout.​

3.2 Kombinatorische Logik (AND vs. OR)

Ein wesentlicher Teil der Studie untersucht, ob sich mehrere Mean-Reversion-Signale kombinieren lassen, um die Signalgüte zu erhöhen. Davey betrachtet zwei logische Verknüpfungen:​

• AND-Konfiguration: Ein Trade wird nur dann ausgelöst, wenn mehrere Mean-Reversion-Bedingungen gleichzeitig erfüllt sind.

• OR-Konfiguration: Ein Trade wird ausgelöst, wenn mindestens eine der Bedingungen erfüllt ist.​

Die Ergebnisse sind eindeutig: AND-Kombinationen mehrerer starker Mean-Reversion-Komponenten (z. B. Strategien 2, 3, 4, 6, 7) liefern deutlich bessere Kennzahlen als die jeweilige Einzelstrategie. Speziell Kombinationen wie:​

• Strategie 2 AND Strategie 3 AND Strategie 4,

• Strategie 2 AND Strategie 4,

• Strategie 2 AND Strategie 4 AND Strategie 7

weisen eine signifikante Verbesserung des Chance-Risiko-Profils auf, allerdings bei einer reduzierten Tradefrequenz. Die OR-Konfigurationen hingegen erweisen sich als nicht vorteilhaft: Sie führen zwar zu mehr Trades, verschlechtern aber die durchschnittliche Performance und erhöhen die Varianz der Ergebnisse.​

Für die Praxis bedeutet dies: Entry-Logiken sollten bevorzugt als „Signal-Stack“ in AND-Logik konstruiert werden, wobei zwei bis drei unterschiedlich konstruierte Mean-Reversion-Kriterien simultan erfüllt sein müssen, um ein Signal auszulösen.​

4. Exit-Techniken und Reward/Risk-Verhältnisse

4.1 Vergleich verschiedener Exit-Varianten

Kapitel 8 („Exit Testing“) widmet sich der Frage nach dem „besten“ Exit-Typ und vergleicht zahlreiche Varianten über unterschiedliche Märkte und Entry-Typen hinweg. Die zentralen Ergebnisse lauten:​

• Ein Stop-and-Reverse-Exit (Positionswechsel bei Gegensignal) liefert im Mittel die besten Ergebnisse.​

• Reine Profit-Targets auf Dollar-Basis (ohne Stop) liegen im Durchschnitt an zweiter Stelle.​

• ATR-basierte Stops und Profit-Targets schneiden leicht schlechter ab als Dollar-basierte Pendants.​

• Die gleichzeitige Verwendung von Stop und Target (klassischer „OCO“-Ansatz) verschlechtert im Schnitt die Performance gegenüber reinen Targets oder Stop-and-Reverse.​

• Breakeven-Stops erweisen sich als praktikabler Kompromiss; andere komplexere Stop-Konzepte (z. B. Chandelier, Parabolic, „Yo-Yo“-Stops) zeigen deutlich schwächere Ergebnisse.​

Diese Resultate sprechen für eine konsequent signal- oder zielbasierte Exit-Logik, anstatt eine Vielzahl komplexer Stopmechanismen zu kombinieren.​

4.2 Timed Exits in Mean-Reversion-Systemen

Innerhalb der Mean-Reversion-Studie wird ein generischer „Exit nach 7 Bars“ als zusätzlicher Schalter getestet. Hintergrund ist die intuitive Annahme, Mean-Reversion-Trades seien per se kurzfristig. Empirisch zeigt sich jedoch, dass ein automatischer Zeit-Exit nach 7 Bars die Performance über alle Strategien hinweg signifikant verschlechtert. Dies gilt ebenso für einen zweiten Schalter, der sehr schnelle „Quick Exits“ implementiert: Auch dieser reduziert die Profitabilität.​

Für die Systemgestaltung folgt daraus, dass starre, rein zeitbasierte Exits – zumindest in der geprüften Form – für Mean-Reversion-Ansätze ungeeignet sind. Stattdessen sollten Exits an Marktdynamik (Stop-and-Reverse, Profit-Target, Breakeven) und nicht an eine fixe Baranzahl gekoppelt werden.​

4.3 Reward-to-Risk-Studie und Besonderheiten des ES

In Kapitel 9 („Reward To Risk Study“) analysiert Davey, ob es ein generelles „optimales“ Reward/Risk-Verhältnis gibt. Die Methodik basiert auf zufälligen Entries in Kombination mit ATR-basierten Stops und Profit-Targets auf Tagesdaten verschiedener Futures (u. a. ES, CL, GC). Die wichtigsten Erkenntnisse:​

• Es existiert kein universelles, marktübergreifendes optimales Reward/Risk-Verhältnis.​

• Für den E‑Mini S&P 500 (ES) ergibt sich in der Studie ein Optimum bei kleinen Profit-Targets und vergleichsweise großen Stops, d. h. bei Reward/Risk-Verhältnissen deutlich kleiner als 1 (z. B. Profit-Target ≈ 1 ATR, Stop ≈ 7 ATR).​

• Andere Märkte weisen teils völlig andere Optima auf (z. B. Reward/Risk > 1 in Agrarrohstoffen).​

Die zentrale Schlussfolgerung lautet, dass Reward/Risk-Parameter markt- und strategieindividuell empirisch zu kalibrieren sind. Für ES ist es demnach nicht zwingend sinnvoll, dogmatisch auf hohe, symmetrische Reward/Risk-Verhältnisse (z. B. 3:1) zu zielen; geringere Verhältnisse können historisch vorteilhafter sein, sofern die Trefferquote entsprechend hoch ist.​

5. Bar-Size-Studien und Implikationen für Intraday-Mean-Reversion

In Kapitel 4 („Bar Size Study“) untersucht Davey die Auswirkung unterschiedlicher Bargrößen anhand eines standardisierten Breakout-Systems, das über 25 Bargrößen und zahlreiche Futures-Märkte getestet wird. Die zentrale Fragestellung lautet: Welche Bargrößen sind nach Kosten (Slippage, Kommission) noch profitabel?​

Die wichtigsten Ergebnisse sind:

• Ohne Transaktionskosten erscheinen mittlere Intraday-Bargrößen (z. B. 120-Minuten-Bars) besonders attraktiv, während sehr kleine Bars (1–10 Minuten) aufgrund hoher Tradeanzahl zwar „roh“ profitabel wirken, aber extrem kostenanfällig sind.​

• Unter realistischen Kostenannahmen verschlechtern sich die Ergebnisse kleiner Bargrößen drastisch; insbesondere 1‑ bis 10‑Minuten-Bars führen im Durchschnitt zu deutlichen Verlusten.​

• Profitable Zonen verschieben sich in Richtung größerer Bargrößen, insbesondere in den Bereich von 720-Minuten-Bars (12 Stunden) und darüber, also in die Nähe von Tagesbars.​

Für High-Frequency‑Mean-Reversion-Systeme im ES bedeutet dies: Intraday-Handel ist prinzipiell möglich, aber nur bei sehr selektiven Einstiegssignalen, sorgfältiger Kostenmodellierung und bevorzugt mit Limit-Orders. Massives Overtrading auf 1–5‑Minuten-Bars zerstört die theoretische Mean-Reversion-Erwartung durch friktionsbedingte Verluste.​

6. Regimefilter und Makro-Umfeld

Kapitel 7 („Bull/Bear Regime Trading“) thematisiert den Einsatz von Bull/Bear-Regimefiltern und anderen Makrofiltern zur Verbesserung existierender Strategien. Hierbei kommen Ansätze wie gleitende Durchschnitte auf Indizes, Trendfilter und weitere Indikatoren zur Definition von Marktregimen zum Einsatz.​

Die empirischen Befunde:

• Regimefilter können in vielen Fällen das Chance-Risiko-Profil einer Strategie verbessern, indem sie Trades auf günstige Marktumfelder beschränken.​

• Der Nutzen ist jedoch nicht universell: In einigen Märkten oder Systemen verschlechtert ein Makrofilter die Ergebnisse oder bietet keinen Mehrwert.​

Für Mean-Reversion-Systeme – insbesondere in Aktienindizes wie ES – ist ein plausibler Ansatz, Long-Mean-Reversion in übergeordnet bullischen Regimen zu favorisieren und Short-Mean-Reversion in klaren Bärenphasen selektiv einzusetzen. Geeignete Regimeindikatoren können z. B. der Abstand des ES‑Daily‑Closes zu einem langfristigen gleitenden Durchschnitt (z. B. 100er oder 200er MA) oder Volatilitätsregime auf Basis von ATR oder VIX sein.​

7. Risikomanagement-Techniken für bestehende Strategien

In Kapitel 6 („Risk Protection Techniques“) untersucht Davey mehrere risikoreduzierende Add-ons, die auf eine bestehende Strategie appliziert werden. Zu den betrachteten Mechanismen zählen:​

• tägliche Verlustlimits (Daily Loss Limiters),

• Trade-Pausen („Next Trade Delay“) nach Verlusten,

• „Wochenende ausschalten“-Mechanismen,

• Kill-Switches für Phasen extremer Volatilität.​

7.1 Daily Loss Limit

Ein Daily-Loss-Limit verfolgt den täglichen Equity-Verlauf und schließt alle Positionen, sobald ein definierter Verlustschwellenwert überschritten wird; neue Signale werden für den Rest des Tages blockiert. Die Studie zeigt:​

• Zu enge Daily-Loss-Limits verschlechtern die Performance deutlich.

• Mittlere Limits (im konkreten Beispielbereich ca. 2.000–4.000 USD) führen zu geringfügigen Verbesserungen, allerdings handelt es sich hierbei bereits um eine Form impliziter Optimierung.​

• Davey empfiehlt, Daily-Loss-Limits nicht aggressiv zu optimieren, sondern primär als psychologisches und risikotechnisches Instrument mit plausibler Größenordnung zu wählen.​

7.2 Weitere Schutzmechanismen

„Next Trade Delay“ (eine Pause nach einem Verlusttrade) kann Drawdowns glätten, reduziert aber häufig die Gesamtprofitabilität und erweist sich als stark systemspezifisch. Ähnliche Effekte gelten für Wochenend-Pausen und Volatilitäts-Kill-Switches: Sie sind nützlich, müssen aber immer in Bezug auf die konkrete Strategie und deren Handelsstil evaluiert werden.​

Insgesamt unterstreicht Davey, dass Risikoschutz auf Strategieebene ein eigenständiger Entwicklungsbaustein ist, der über die bloße Optimierung von Profitkennzahlen hinausgeht.​

8. Anpassung an Marktphasen und geplante Obsoleszenz

Ein wiederkehrendes Motiv im Buch ist die Einsicht, dass die „Lebensdauer“ algorithmischer Strategien begrenzt ist. Davey plädiert für „planned obsolescence“: Strategien sollten mit dem Bewusstsein entwickelt werden, dass sie über die Zeit erodieren, und entsprechend überwacht und rechtzeitig deaktiviert werden.​

Dazu gehören:

• laufende Überwachung der Performance anhand klar definierter Metriken (z. B. rollierender Drawdown, rollierender Sharpe),

• Abschaltregeln, die entweder an eine bestimmte Zeitdauer (z. B. X Monate/Jahre) oder an Performanceschwellen gekoppelt sind,

• ein kontinuierlicher Entwicklungsprozess („Strategy Factory“), der neue Strategien erwartet, bevor alte vollständig versagen.​

Für Mean-Reversion-Systeme im ES – insbesondere mit hoher Frequenz und kurzen Haltedauern – ist diese Sichtweise besonders relevant, da Konkurrenzdruck und Strukturbrüche die Halbwertszeit vieler statistischer Effekte verkürzen.​

9. Synthese: Gestaltung von Mean-Reversion-Systemen auf ES mit kurzen Halteperioden

Auf Basis der beschriebenen Studien lässt sich für den E‑Mini S&P 500 ein konsistentes Framework für automatisierte Mean-Reversion-Systeme mit kurzen Haltedauern skizzieren:

1. Entry-KonzeptionDer Einstieg sollte auf einem Stack aus mehreren Mean-Reversion-Signalen in AND-Logik beruhen. Praktisch bietet sich eine Kombination aus:​

   • Moving Average Stretch (Preis deutlich unter einem kurzfristigen oder mittelfristigen gleitenden Durchschnitt),

   • Bollinger Band Stretch (Preis unter dem unteren Band),

   • Short Term Connors RSI oder RSI2 in überverkauftem Bereich.​

2. Exit-DesignZeitbasierte Exits mit starrer Baranzahl sind zu vermeiden, da sie in der Studie die Performance verschlechtern. Stattdessen empfiehlt sich:​

   • ein Stop-and-Reverse-Mechanismus auf Basis der zuvor definierten Mean-Reversion-Kriterien oder

   • ein konsequent eingesetztes, realistisches Profit-Target (Dollar oder ATR-basiert), ggf. ergänzt um einen Breakeven-Stop.​

3. Reward/Risk-KalibrierungReward/Risk-Verhältnisse sollten für ES empirisch – idealerweise über eine eigene Random-Entry-Studie – kalibriert werden. Die von Davey berichteten Ergebnisse deuten darauf hin, dass für ES Reward/Risk < 1 historisch sinnvoll sein kann, sofern die Trefferquote hinreichend hoch ist.​

4. Bargröße und FrequenzIntraday-Handel mit kurzen Halteperioden ist möglich, jedoch nur bei strenger Kontrolle der Transaktionskosten. Bargrößen im Bereich 15–60 Minuten erscheinen als Kompromiss: Sie erlauben ausreichend Signale, ohne dass die Kostenexplosion kleinerer Bars die Erwartungswerte vollständig aufzehrt.​

5. Makro- und RegimefilterRegimefilter sollten getestet, aber nicht axiomatisch eingesetzt werden. Für ES bietet sich die Beschränkung von Long-Mean-Reversion auf bullische Makroregime (z. B. Preis über MA(200)) und eine selektive Short-Mean-Reversion in Bärenregimen an.​

6. Risikomanagement und ObsoleszenzDaily-Loss-Limits, Volatilitäts-Kill-Switches und Abschaltkriterien auf Basis rollierender Performance sind integrale Bestandteile des Systemdesigns und sollten nicht nachträglich „aufgesetzt“ werden. Strategien sind von vornherein mit begrenzter Lebensdauer zu planen und müssen im Rahmen eines kontinuierlichen Entwicklungsprozesses regelmäßig ersetzt oder überarbeitet werden.​

   
   

Dieses Rahmenwerk verbindet die empirischen Ergebnisse der Mean-Reversion-, Exit-, Reward/Risk-, Bar-Size-, Regime- und Risikoschutzstudien und bietet damit eine fundierte Grundlage für die Entwicklung automatisierter, kurzlaufender Mean-Reversion-Systeme im ES-Futures-Markt.